0.1 duality between point and line
二维平面上有一条直线\(y=ax-b\)和一个点\((c,d)\)，现在我想描述一下点和直线之间的相对位置； 点如果在直线上面，说明\(x=c\)的时候直线取得的\(y\)小于\(d\),也就是说\(d>ac-b\)，这里也可以将 \(c,d\)看成系数，\(a,b\)当成带入的坐标，表示的意思变成\((a,b)\)这个点位于直线\(y=cx-d\)的上面
0.2 upper envelope of linear functions
现在二维平面上有很多条直线，我想找到最上面的边缘线(upper envelope)
假设在横坐标为\(x'\)处直线\(y=ax-b\)位于 upper envelope 上，这个点\((x',y')\)位于所有其他直线上方， 那么根据对偶，这些直线对偶对应的点也都位于点\((x',y')\)对应的直线的上方，而实际上这条直线就是凸包的下边缘， 因为它一定过某个直线对偶对应的点。
0.3 k-level
k-level 是推广的upper envelope，找的是最上面的k条直线(实际上定义是下方正好有k条直线的那个边缘线)， 也就是需要找到正好上方有k-1条直线的那个边缘线。这个边缘线上的点上方应该有恰好k-1条直线， 下方有n-k条直线。类似upper envelope 的处理，研究和直线互为对偶的点。要找的是一个类似凸包下边缘的东西 上的点，这些点对应的直线就是能够出现在k-level 边缘线上的那些直线。
下面是 1999 Timothy M. Chan 中的算法
首先容易的方法是枚举所有直线的交点\(O(n^2)\)，然后对这些交点分出的所有区间计算最大的k个直线（应该是\(O(n^3)\)， \(n^2\)个区间，每个区间用median of medians线性时间找到top k）
1999 Timothy M. Chan 的思路是从左到右扫描x轴，维护两个优先队列，一个维护在当前的x rank小于k的直线是哪些，一个维护大于等于k的是哪些。如果把 横轴x看成时间，优先队列在维护一些会在一维直线上做匀速运动的点，这种东西叫做 kinetic data structure，实现方法先不讨论
有了这种数据结构之后就可以按照这样的步骤维护 k-level:
可以看出来k-level的复杂度就相当于m次插入、大小为n的这种优先队列维护起来的复杂度 ## detail
0.3.1 目前 kinetic priority queue 的复杂度
kinetic priority queue 需要实现的操作： - 插入点 - 删除点 - advance（把时间往后推） - 维护最小值
文中讨论复杂度基于两个上界：优先队列中点的数量的上界\(n\)，插入操作的数量上界\(m\)
For elements moving linearly, the number of times S.min changes is \(O(m\alpha(n))\).
实际上kinetic priority queue在维护的是一个子集的lower envelope，lower envelope上的breakpoint数量有 上限\(O(m\alpha(m))\)（来源见1999 Timothy M. Chan）(这个奇怪复杂度是怎么来的？zh.wikipedia, en.wikipedia lower envelope 上的线段编号写成一个序列就 是这个Davenport–Schinzel sequence)
实际上这个界对于直线是非常不紧的，线段才可能产生长度为4的交替子序列，直线只能产生长度为2的；所以线段是3阶DS sequence而 直线是1阶，从对偶对应的凸包也可以看出breakpoint上限是\(O(n)\)，所以文章这里考虑的是带上插入删除操作的
使用暴力方法，复杂度\(T(n,m)=O(mn\alpha(n))\)
复杂度这里实际上算的是从一个空的KPQ开始，插入点，删除点，advance，按照需要进行操作，直到\(t=\inf\)花费的时间； Observation给出了advance操作的数量上限，每次advance必然发生\(S.min\)改变。插入和删除操作数量上界是\(m\)。
文章中用分治，把每个kinetic priority queue \(S\)维护的集合分成\(r\)组，每组用一个kinetic priority queue维护(\(P\in S.\Pi\))， 然后再用一个额外的kinetic priority queue \(S.Q\)维护这r个子队列最小值的最小值
KPQ \(S\) 只需要暴露出上面说的四种操作，首先\(S.maintain(),S.advance()\)如下，很好理解
\(S.insert(),S.delete()\):
insert 把要插入的元素放在大小最小的那个子队列\(P\)中，然后更新\(S.Q\)中的那个\(P.min()\)，最后维护\(S\)
delete 完全类似
0.3.1.1 \(N(n,m)\)
\(N(n,m)\)表示递归方法中一个KPQ做advance操作的数量
\[N(n,m)=\sum_{i=1}^r N(n/r,m_i)+O(m\alpha(n))\]
其中\(\sum m_i=m\)（所有插入次数被分配到了每个子队列中）
\[N(n,m)=O(\alpha(n) m\log_r n)\]
层数 个数 sum 1 1 \(m\alpha(n)\) 2 r \(m\alpha(\frac{n}{r})\) 3 \(r^2\)(r个一组，一共r组) \(m\alpha(\frac{n}{r^2})\) … … … \(\log_r n\) \(n/r\) \(m\alpha(1)\) 最后得到\(\sum_{i=1}^{\log_r n} \alpha(\frac{n}{r^{i-1}})*m\)
sum里面直接取最大值，可以得到上面的结果
复杂度：
\[T(n,m)=\sum_{i=1}^r T(n/r,m_i)+O(m\alpha(n)\log n+mr\alpha(n))\]
RHS第二项需要解释，\(O(m\alpha(n)\log n+mr\alpha(n))\)完全是上面\(S\)和\(S.Q\)维护产生的复杂度， 现在文章认为\(S.Q\)使用暴力方法，插入删除操作复杂度都是\(O(S.Q.size)\)，\(S.advance()\)A5说明每次\(S\)的最小值改变 \(S.Q\)都会进行一次插入和一次删除，所以\(S.advance()\)就会让\(S.Q\)产生\(O(m\alpha(n))\)次插入和删除，每次\(O(r)\)， 这部分复杂度就是\(mr\alpha(n)\)（因为n小于m，队列中的元素数量肯定小于插入次数，\(S.insert()\)执行次数一定少于 \(O(m\alpha(n))\)，这里不用继续考虑D5和I5操作了）；其次是A1和M2中找\(P.next\)最小的P，单独用一个大小为r的堆来 维护这个信息，回答A1和M2是常数时间，但是每次任意一个\(P.min\)发生改变或者发生插入删除的时候都要\(\log r\)时间维护， 需要\(O(N(n,m)\log r)=O(m\alpha(n)\log n)\)，令\(r=\lceil \log n\rceil\)
\[T(n,m)=O(m\alpha(n)\log^2 n/\log \log n)\]
这种递归方法我写了代码github
感觉写的有点丑陋，而且用的是boost的heap
0.3.2 优化
需要用到 semi dynamic convex hull （只支持删除操作的动态凸包）， 去查了一下发现很多有趣的结果， - Kirkpatrick and Seidel把二维平面凸包做到\(O(n\log k)\) n是输入大小，k是输出大小。 - 完全动态的凸包（支持插入和删除）Overmars 做到了\(O(\log^2 n)\) - semi dynamic convex hull 仅插入单次操作可以做到单次\(O(\log n)\)，仅删除可以做到单次均摊\(O(\log n)\)
先不讨论semi dynamic convex hull的实现，如果已经有了一个维护删除操作下的凸包的数据结构，如何实现一个仅支持删除操作的KPQ？
首先如果是仅删除的KPQ，寻找最小值实际上就是在一些都从左端点在x=0、右端点位置不同的线段组成的 lower envelope， 同样根据上面的 DS sequence ， 可以看出两个线段组成最长交替子序列长度是3，是一个2阶DS sequence，得知\(advance()\) 次数上界也是\(O(n)\)
那么我们可以先算出最开始的 lower envelope（一个凸包，\(O(n\log n)\)）然后再用semi dynamic convex hull去维护 删除操作，n个删除操作只需要\(O(n\log n)\) 于是借用上面定义的衡量KPQ的复杂度\(T(n)=O(n\log n)\)
这种方法先不写了，我认为我能把它成功写出的概率不大，而且过于复杂。首先上面说的 semi dynamic convex hull 只能做到只处理插入操作和只处理删除操作， 得到的 kinetic priority queue 也是只能支持一种操作， 1980 Bentley & Saxe 发明了用一种叫做binary-counting的技巧把只支持一种操作的数据结构变成支持插入和删除的，维护的时间加一个\(\log\)； 为了消除掉这个\(\log\)还需要使用 b-ary。 最终复杂度能达到\(O(n\log m+m\log^{1+\epsilon}n)\)
0.3.3 随机化版本
对于\(\mathbb{R}^d\)上的k-level[1] 证明了复杂度是\(\Theta(n^{\lfloor d/2 \rfloor}k^{\lceil d/2 \rceil})\)，上面链接中二维平面k-level复杂度 是\(O(nk + n\alpha(n) \log n )\) 应该在到目前为止随机化算法中worst case是最优的
upd Sep 2024. https://tmc.web.engr.illinois.edu/pub_kset.html 有很多k-level相关的问题和算法.